基于神经网络的两种岩性识别方法的研究.docVIP

基于神经网络的两种岩性识别方法的研究 　　摘 要:利用测井资料实现岩性识别对于储层评价具有重要意义,采用概率神经网络(PNN)和自组织特征映射神经网络(SOM)的模式识别方法,分别建立测井岩性识别模型,并利用该模型对样本进行预测。仿真结果表明,建立的模型用于岩性识别具有预测精度高、易收敛和自动聚类等特点,对于岩性类别的划分是准确和可靠的,为相关领域的研究提供了新方法。?? 　　关键词:自组织特征映射神经网络;概率神经网络;岩性识别;预测?? 　　中图分类号:TP183 　　 　　0 引 言?? 　　 　　岩性识别是储层评价的重要工作之一,是求解储层参数的基础。测井在勘探中的作用和地位正在日益提高,测井参数值是地下岩石的矿物成分、结构和孔隙度等的综合反映,是岩性分析的基础资料。对于一组特定的测井参数值,它就必然对应着地层中的某一种或某几种岩性。在分析岩心和测井参数对应特征的基础上,划分岩心的岩石类型,并从各类岩石中读取能够代表岩样的测井参数值,确定岩性与测井参数对应关系。?? 　　由于井下地质构造的复杂性和测井参数分布的模糊性,传统的数理统计等方法难以准确地反映测井资料与地层岩性的非线性映射关系,识别精度有限,采用具有聚类功能的人工神经网络――自组织特征映射网络(SOM)和概率神经网络(PNN)完成测井资料的岩性识别。采用神经网络对测井数据进行岩性识别,具有较强的自组织和自适应性,有较高的容错能力。?? 　　 　　1 概率神经网络(PNN)?? 　　 　　概率神经网络(Probabilistic Neural Network,PNN)是基于贝叶斯最小风险准则和Parzen窗的概率密度函数方法发展而来的一种并行算法,是径向基函数模型的发展????[3]??。它直接考虑样本空间的概率特性,以样本空间的典型样本作为隐含层的节点,其网络权值是模式样本的分布。?? 　　概率神经网络由四个结构层组成:输入层、样本层、累加层和输出层。输入层的节点数是样本向量的维数,将所有样本不变地传给样本层后,样本层将输入向量的各个分向量进行加权求和,然后再用一个非线性算子进行运算,非线性算子取高斯函数: 　　式中:??[WTHX]X为输入向量;W[WTBX]为权值向量;1/R??2为平滑因子。?オ? 　　然后将计算结果传递到累加层????[5]??,累加层各个节点只与相应类别的样本节点相连,计算同类样本输出值的和,权值都为1。网络的输出层,即竞争层采用胜者为王的学习规则,使具有最大概率的向量的输出为1,其他类别的向量输出为0。这样网络就按Bayes决策????[6]??将输入的向量分配到具有最大后验概率的类别中去。?? 　　 　　2 自组织特征映射神经网络(SOM)?? 　　 　　自组织特征映射网络(Self[CD*2]Organizing feature Map,SOM),接受外界输入模式时,将会分为不同的对应区域,各区域对输入模式具有不同的响应特征。自组织映射学习算法包含:竞争、合作和更新三个过程????[7]??。?? 　　(1) 在竞争过程中,确定输出最大的神经元为获胜神经元。由于神经元的激励函数为线性函数,神经元的最大输出取决于其输入??u??i=∑Nj=1w????ij??x??j,即输入向量??[WTHX]X[WTBX]=??[x??1,x??2,…x??N]????T??和权值向量[WTHX]W[WTBX]??i=[w????i1??,w????i2,??…w????iN??]????T??,i=1,2,…,M的内积。而该内积在输入向量和权值向量均为归一化向量时,等价于输入向量和权值向量的欧氏距离最小。所谓欧氏距离就是n维欧氏空间中向量[WTHX]Y[WTBX]=[y??1,y??2,…,y??N]和向量[WTHX]Z[WTBX]=[z??1,z??2,…,z??N]的距离,其值为∑ni=1(y??i-z??i)??2。所以当输入向量为[WTHX]X[WTBX]且第c个神经元获胜,满足条件:‖[WTHX]X[WTBX]-[WTHX]W[WTBX]??c‖=?┆?min??‖??[WTHX]X[WTBX]-??[WTHX]W[WTBX]??i‖??(i=1,2,…,M) 。?И? 　　(2) 在合作过程中,确定获胜神经元的加强中心。拓扑邻域的中心就是在竞争过程中得到的获胜神经元,在邻域范围内的神经元为兴奋神经元,即加强中心。?? 　　(3) 在更新过程中,采用Hebb学习规则????[8]??的改变形式,对网络上获胜神经元拓扑邻域内的神经元进行权值向量的更新。?? 　　自组织特征映射神经网络是一种竞争式学习网络,共有两层,输入层各神经元通过权向量将外界信息汇集到输出层的各神经元。采用Kohonen